社区检测质量与效率的权衡：一种跨图的归纳方法
社会与信息网络
2022-09-30 v1 机器学习
摘要
许多网络应用可表述为社区检测（CD）的NP难组合优化问题。由于NP难特性，平衡CD质量与效率仍是一项挑战。大多数现有CD方法是转导式的，仅针对单个图上的CD独立优化。其中一些方法使用先进的机器学习技术获得高质量CD结果，但通常复杂度较高。其他方法使用快速启发式近似以保证低运行时间，但可能遭受质量下降。与这些转导式方法不同，我们提出一种替代的归纳式社区检测（ICD）方法，用于系统或场景中的跨图以缓解NP难挑战。ICD首先在历史图上对对抗式双GNN进行离线训练，以捕获系统的关键属性。训练后的模型随后直接泛化到新的未见图上进行在线CD，无需额外优化，从而可实现质量与效率间更好的权衡。ICD还能在离线训练中捕获置换不变的社区标签，并处理具有非固定节点数和社区数的新图上的在线CD。在一系列基准上的实验表明，ICD相比各种基线能在质量与效率间取得显著权衡。
引用
@article{arxiv.2209.14825,
title = {Trading off Quality for Efficiency of Community Detection: An Inductive Method across Graphs},
author = {Meng Qin and Chaorui Zhang and Bo Bai and Gong Zhang and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:2209.14825},
year = {2022}
}